JP7315933B2 - 情報処理装置、情報処理方法及び情報処理プログラム - Google Patents
情報処理装置、情報処理方法及び情報処理プログラム Download PDFInfo
- Publication number
- JP7315933B2 JP7315933B2 JP2021087754A JP2021087754A JP7315933B2 JP 7315933 B2 JP7315933 B2 JP 7315933B2 JP 2021087754 A JP2021087754 A JP 2021087754A JP 2021087754 A JP2021087754 A JP 2021087754A JP 7315933 B2 JP7315933 B2 JP 7315933B2
- Authority
- JP
- Japan
- Prior art keywords
- attribute
- image
- target object
- feature
- information processing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Image Analysis (AREA)
Description
本発明は、情報処理装置、情報処理方法及び情報処理プログラムに関する。
画像に含まれる対象物を認識する画像認識モデルに対象物の新しい属性を認識させるには、画像認識モデルに対象物の新しい属性を学習させる必要がある。一般的に、精度の高い画像認識モデルを生成するためには、大量の学習データセットが必要である。ここで、学習データデータセットとは、画像に含まれる対象物に関する属性を示す属性ラベルと画像との組のデータである。しかしながら、大量の学習データセットを人手によって作成するのには大変な手間がかかる。
画像認識モデルの学習に必要な学習データセットを自動で生成可能とする技術が望まれている。
本願に係る情報処理装置は、対象物が撮像された対象物画像に含まれる前記対象物に関する属性を示す属性ラベルが付与された前記対象物画像と類似する類似画像に対して前記属性ラベルを付与する第１付与部と、前記第１付与部によって前記属性ラベルを付与された前記類似画像を画像解析することで、未知の前記対象物画像に対して前記属性ラベルを付与するためのラベル付与ルールを生成する生成部と、を備える。
以下に、本願に係る情報処理装置、情報処理方法及び情報処理プログラムを実施するための形態（以下、「実施形態」と呼ぶ）について図面を参照しつつ詳細に説明する。なお、この実施形態により本願に係る情報処理装置、情報処理方法及び情報処理プログラムが限定されるものではない。また、以下の各実施形態において同一の部位には同一の符号を付し、重複する説明は省略される。
〔１．第１の実施形態〕
〔１－１．情報処理装置の構成〕
まず、図１を用いて、第１の実施形態に係る情報処理装置の構成について説明する。図１は、第１の実施形態に係る情報処理装置の構成例を示す図である。図１に示すように、情報処理装置１００は、通信部１１０と、記憶部１２０と、制御部１３０とを有する。
〔１－１．情報処理装置の構成〕
まず、図１を用いて、第１の実施形態に係る情報処理装置の構成について説明する。図１は、第１の実施形態に係る情報処理装置の構成例を示す図である。図１に示すように、情報処理装置１００は、通信部１１０と、記憶部１２０と、制御部１３０とを有する。
（通信部１１０）
通信部１１０は、例えば、ＮＩＣ（Network Interface Card）、モデムチップ及びアンテナモジュール等によって実現される。また、通信部１１０は、ネットワークＮ（図示略）と有線又は無線で接続される。
通信部１１０は、例えば、ＮＩＣ（Network Interface Card）、モデムチップ及びアンテナモジュール等によって実現される。また、通信部１１０は、ネットワークＮ（図示略）と有線又は無線で接続される。
（記憶部１２０）
記憶部１２０は、例えば、ＲＡＭ（Random Access Memory）、フラッシュメモリ等の半導体メモリ素子、又は、ハードディスク、光ディスク等の記憶装置によって実現される。
記憶部１２０は、例えば、ＲＡＭ（Random Access Memory）、フラッシュメモリ等の半導体メモリ素子、又は、ハードディスク、光ディスク等の記憶装置によって実現される。
（制御部１３０）
制御部１３０は、コントローラ（Controller）であり、例えば、ＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro Processing Unit）、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）等によって、情報処理装置１００の内部の記憶装置に記憶されている各種プログラム（情報処理プログラムの一例に相当）がＲＡＭ等の記憶領域を作業領域として実行されることにより実現される。図１に示す例では、制御部１３０は、取得部１３１と、第１付与部１３２と、生成部１３３と、第２付与部１３４を有する。
制御部１３０は、コントローラ（Controller）であり、例えば、ＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro Processing Unit）、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）等によって、情報処理装置１００の内部の記憶装置に記憶されている各種プログラム（情報処理プログラムの一例に相当）がＲＡＭ等の記憶領域を作業領域として実行されることにより実現される。図１に示す例では、制御部１３０は、取得部１３１と、第１付与部１３２と、生成部１３３と、第２付与部１３４を有する。
（取得部１３１）
取得部１３１は、人物の顔に関する新しい属性を示す属性ラベルが付与された少量（例えば、１０枚など）の属性ラベル付き顔画像を取得する。ここで、新しい属性を示す属性ラベル（以下、新たな属性ラベルともいう）とは、画像認識モデルに学習させたい新しい属性を示す属性ラベルのことを指すものとする。すなわち、新たな属性ラベルとは、画像に含まれる人物の顔を認識する画像認識モデルがまだ学習していない未知の属性を示す属性ラベルのことを指すものとする。例えば、取得部１３１は、通信部１１０を介して、情報処理装置を利用する利用者の端末装置から少量の新たな属性ラベル付き顔画像を取得してよい。
取得部１３１は、人物の顔に関する新しい属性を示す属性ラベルが付与された少量（例えば、１０枚など）の属性ラベル付き顔画像を取得する。ここで、新しい属性を示す属性ラベル（以下、新たな属性ラベルともいう）とは、画像認識モデルに学習させたい新しい属性を示す属性ラベルのことを指すものとする。すなわち、新たな属性ラベルとは、画像に含まれる人物の顔を認識する画像認識モデルがまだ学習していない未知の属性を示す属性ラベルのことを指すものとする。例えば、取得部１３１は、通信部１１０を介して、情報処理装置を利用する利用者の端末装置から少量の新たな属性ラベル付き顔画像を取得してよい。
また、取得部１３１は、新たな属性ラベルが付与されていない大量（例えば、１万枚など）の顔画像を取得する。例えば、取得部１３１は、通信部１１０を介して、インターネット上をクローリングして、新たな属性ラベルが付与されていない大量の顔画像を取得する。例えば、取得部１３１は、ラベル付き顔画像の数と比べて、多い数の顔画像を取得する。なお、取得部１３１は、インターネット上をクローリングする代わりに、顔画像を保存する外部のデータベース等から大量の顔画像を取得してもよい。
（第１付与部１３２）
第１付与部１３２は、新たな属性ラベルが付与された顔画像と類似する類似画像に対して新たな属性ラベルを付与する。具体例には、第１付与部１３２は、取得部１３１が少量の新たな属性ラベル付き顔画像と大量の顔画像を取得すると、少量の新たな属性ラベル付き顔画像と大量の顔画像それぞれとの類似度を算出する。例えば、第１付与部１３２は、少量の新たな属性ラベル付き顔画像それぞれの特徴点を抽出し、抽出した特徴点に対応する特徴量をクラスタリングする。また、第１付与部１３２は、大量の顔画像それぞれの特徴点を抽出し、抽出した特徴点に対応する特徴量を、少量の新たな属性ラベル付き顔画像について生成した各クラスターに分類する。続いて、第１付与部１３２は、少量の新たな属性ラベル付き顔画像の各クラスターの平均と、大量の顔画像それぞれの各クラスターに属する特徴点との類似度を算出する。続いて、第１付与部１３２は、算出した各特徴点の類似度に基づいて、少量の新たな属性ラベル付き顔画像と大量の顔画像それぞれとの類似度を算出する。続いて、第１付与部１３２は、大量の顔画像のうち、算出した類似度が所定の閾値を上回る顔画像を類似画像であると判定する。続いて、第１付与部１３２は、類似画像であると判定した顔画像に対して、新たな属性ラベルを付与する。
第１付与部１３２は、新たな属性ラベルが付与された顔画像と類似する類似画像に対して新たな属性ラベルを付与する。具体例には、第１付与部１３２は、取得部１３１が少量の新たな属性ラベル付き顔画像と大量の顔画像を取得すると、少量の新たな属性ラベル付き顔画像と大量の顔画像それぞれとの類似度を算出する。例えば、第１付与部１３２は、少量の新たな属性ラベル付き顔画像それぞれの特徴点を抽出し、抽出した特徴点に対応する特徴量をクラスタリングする。また、第１付与部１３２は、大量の顔画像それぞれの特徴点を抽出し、抽出した特徴点に対応する特徴量を、少量の新たな属性ラベル付き顔画像について生成した各クラスターに分類する。続いて、第１付与部１３２は、少量の新たな属性ラベル付き顔画像の各クラスターの平均と、大量の顔画像それぞれの各クラスターに属する特徴点との類似度を算出する。続いて、第１付与部１３２は、算出した各特徴点の類似度に基づいて、少量の新たな属性ラベル付き顔画像と大量の顔画像それぞれとの類似度を算出する。続いて、第１付与部１３２は、大量の顔画像のうち、算出した類似度が所定の閾値を上回る顔画像を類似画像であると判定する。続いて、第１付与部１３２は、類似画像であると判定した顔画像に対して、新たな属性ラベルを付与する。
（生成部１３３）
生成部１３３は、第１付与部１３２によって新たな属性ラベルを付与された類似画像を画像解析することで、未知の顔画像に対して新たな属性ラベルを付与するためのラベル付与ルールを生成する。なお、生成部１３３は、第１付与部１３２によって新たな属性ラベルを付与された類似画像に加えて、少量の新たな属性ラベル付き顔画像を画像解析することで、新たな属性ラベルを付与するためのラベル付与ルールを生成してよい。
生成部１３３は、第１付与部１３２によって新たな属性ラベルを付与された類似画像を画像解析することで、未知の顔画像に対して新たな属性ラベルを付与するためのラベル付与ルールを生成する。なお、生成部１３３は、第１付与部１３２によって新たな属性ラベルを付与された類似画像に加えて、少量の新たな属性ラベル付き顔画像を画像解析することで、新たな属性ラベルを付与するためのラベル付与ルールを生成してよい。
例えば、生成部１３３は、類似画像のうち人物の顔を含む顔領域を抽出して、抽出した顔領域の輝度値を画像解析することで、顔領域における輝度値の特徴を示すラベル付与ルールを生成する。例えば、生成部１３３は、類似画像における顔領域の特徴点を抽出し、抽出した特徴点に対応する特徴量をクラスタリングする。続いて、生成部１３３は、クラスタリングした各特徴点の平均を算出し、算出した各クラスターの平均との類似度に基づいて、新たな属性ラベルを付与するか否かを決定するというラベル付与ルールを生成してよい。例えば、生成部１３３は、各クラスターの平均との類似度がそれぞれ所定の閾値を超える場合に、新たな属性ラベルを付与するというラベル付与ルールを生成してよい。
（第２付与部１３４）
第２付与部１３４は、生成部１３３によって生成されたラベル付与ルールに基づいて、未知の顔画像に対して新たな属性ラベルを付与する。例えば、第２付与部１３４は、取得部１３１が取得した大量の顔画像に対して新たな属性ラベルを付与してよい。また、第２付与部１３４は、取得部１３１が新たに取得した顔画像に対して新たな属性ラベルを付与してよい。例えば、第２付与部１３４は、取得部１３１が新たに取得した顔画像に含まれる顔領域を抽出して、生成部１３３によって生成されたラベル付与ルールに基づいて、抽出した顔領域の輝度値を画像解析する。例えば、第２付与部１３４は、顔領域の特徴点を抽出し、抽出した特徴点に対応する特徴量を、生成部１３３が生成したラベル付与ルールに関する各クラスターに分類する。続いて、第２付与部１３４は、生成部１３３が生成したラベル付与ルールにおける各クラスターの平均と、各クラスターに分類された特徴量との類似度をそれぞれ算出し、算出した類似度がそれぞれ所定の閾値を超えるか否かを判定する。例えば、第２付与部１３４は、ラベル付与ルールに基づいて、各クラスターの平均との類似度がそれぞれ所定の閾値を超える場合に、新たな属性ラベルを付与する。
第２付与部１３４は、生成部１３３によって生成されたラベル付与ルールに基づいて、未知の顔画像に対して新たな属性ラベルを付与する。例えば、第２付与部１３４は、取得部１３１が取得した大量の顔画像に対して新たな属性ラベルを付与してよい。また、第２付与部１３４は、取得部１３１が新たに取得した顔画像に対して新たな属性ラベルを付与してよい。例えば、第２付与部１３４は、取得部１３１が新たに取得した顔画像に含まれる顔領域を抽出して、生成部１３３によって生成されたラベル付与ルールに基づいて、抽出した顔領域の輝度値を画像解析する。例えば、第２付与部１３４は、顔領域の特徴点を抽出し、抽出した特徴点に対応する特徴量を、生成部１３３が生成したラベル付与ルールに関する各クラスターに分類する。続いて、第２付与部１３４は、生成部１３３が生成したラベル付与ルールにおける各クラスターの平均と、各クラスターに分類された特徴量との類似度をそれぞれ算出し、算出した類似度がそれぞれ所定の閾値を超えるか否かを判定する。例えば、第２付与部１３４は、ラベル付与ルールに基づいて、各クラスターの平均との類似度がそれぞれ所定の閾値を超える場合に、新たな属性ラベルを付与する。
〔１－２．情報処理のフロー〕
次に、図２を用いて、第１の実施形態に係る情報処理の手順について説明する。図２は、第１の実施形態に係る情報処理の一例を示すフローチャートである。図２では、取得部１３１は、少量の属性ラベル付き顔画像、および、インターネット上等から大量の顔画像を取得する（ステップＳ１０１）。
次に、図２を用いて、第１の実施形態に係る情報処理の手順について説明する。図２は、第１の実施形態に係る情報処理の一例を示すフローチャートである。図２では、取得部１３１は、少量の属性ラベル付き顔画像、および、インターネット上等から大量の顔画像を取得する（ステップＳ１０１）。
第１付与部１３２は、少量の属性ラベル付き顔画像と大量の顔画像それぞれとの類似度を判定し、大量の顔画像のうち、少量の属性ラベル付き顔画像と類似する類似画像に属性ラベルを付与する（ステップＳ１０２）。
生成部１３３は、属性ラベル付き顔画像を画像解析することで、未知の顔画像に属性ラベルを付与するためのラベル付与ルールを生成する（ステップＳ１０３）。
第２付与部１３４は、生成部１３３によって生成されたラベル付与ルールに基づいて、未知の顔画像に対して属性ラベルを付与する（ステップＳ１０４）。
〔２．第２の実施形態〕
〔２－１．情報処理装置の構成〕
次に、図３を用いて、第２の実施形態に係る情報処理装置の構成について説明する。図３は、第２の実施形態に係る情報処理装置の構成例を示す図である。図３に示すように、情報処理装置２００は、通信部２１０と、記憶部２２０と、制御部２３０とを有する。
〔２－１．情報処理装置の構成〕
次に、図３を用いて、第２の実施形態に係る情報処理装置の構成について説明する。図３は、第２の実施形態に係る情報処理装置の構成例を示す図である。図３に示すように、情報処理装置２００は、通信部２１０と、記憶部２２０と、制御部２３０とを有する。
（通信部２１０）
通信部２１０は、例えば、ＮＩＣ、モデムチップ及びアンテナモジュール等によって実現される。また、通信部２１０は、ネットワークＮ（図示略）と有線又は無線で接続される。
通信部２１０は、例えば、ＮＩＣ、モデムチップ及びアンテナモジュール等によって実現される。また、通信部２１０は、ネットワークＮ（図示略）と有線又は無線で接続される。
（記憶部２２０）
記憶部２２０は、例えば、ＲＡＭ、フラッシュメモリ等の半導体メモリ素子、又は、ハードディスク、光ディスク等の記憶装置によって実現される。
記憶部２２０は、例えば、ＲＡＭ、フラッシュメモリ等の半導体メモリ素子、又は、ハードディスク、光ディスク等の記憶装置によって実現される。
（制御部２３０）
制御部２３０は、コントローラであり、例えば、ＣＰＵ、ＭＰＵ、ＡＳＩＣやＦＰＧＡ等によって、情報処理装置２００の内部の記憶装置に記憶されている各種プログラム（情報処理プログラムの一例に相当）がＲＡＭ等の記憶領域を作業領域として実行されることにより実現される。図３に示す例では、制御部２３０は、取得部２３１と、生成部２３２と、算出部２３３と、付与部２３４を有する。
制御部２３０は、コントローラであり、例えば、ＣＰＵ、ＭＰＵ、ＡＳＩＣやＦＰＧＡ等によって、情報処理装置２００の内部の記憶装置に記憶されている各種プログラム（情報処理プログラムの一例に相当）がＲＡＭ等の記憶領域を作業領域として実行されることにより実現される。図３に示す例では、制御部２３０は、取得部２３１と、生成部２３２と、算出部２３３と、付与部２３４を有する。
（取得部２３１）
取得部２３１は、大量（例えば、１万枚など）の顔画像を取得する。例えば、取得部２３１は、新たな属性ラベルが付与されていない大量の顔画像を取得する。例えば、取得部２３１は、通信部２１０を介して、インターネット上をクローリングして、新たな属性ラベルが付与されていない大量の顔画像を取得する。なお、取得部２３１は、インターネット上をクローリングする代わりに、顔画像を保存する外部のデータベース等から大量の顔画像を取得してもよい。
取得部２３１は、大量（例えば、１万枚など）の顔画像を取得する。例えば、取得部２３１は、新たな属性ラベルが付与されていない大量の顔画像を取得する。例えば、取得部２３１は、通信部２１０を介して、インターネット上をクローリングして、新たな属性ラベルが付与されていない大量の顔画像を取得する。なお、取得部２３１は、インターネット上をクローリングする代わりに、顔画像を保存する外部のデータベース等から大量の顔画像を取得してもよい。
（生成部２３２）
生成部２３２は、顔画像の特徴を示す特徴ベクトルを生成する。具体例には、生成部２３２は、取得部２３１が顔画像を取得した場合に、取得部２３１が取得した顔画像の特徴を示す特徴ベクトルを生成する。例えば、生成部２３２は、取得部２３１が取得した大量の顔画像それぞれの特徴を示す特徴ベクトルをそれぞれ生成する。
生成部２３２は、顔画像の特徴を示す特徴ベクトルを生成する。具体例には、生成部２３２は、取得部２３１が顔画像を取得した場合に、取得部２３１が取得した顔画像の特徴を示す特徴ベクトルを生成する。例えば、生成部２３２は、取得部２３１が取得した大量の顔画像それぞれの特徴を示す特徴ベクトルをそれぞれ生成する。
例えば、生成部２３２は、特徴ベクトルの一例として、顔画像の画素値の特徴を示す画素値ベクトルを生成してよい。例えば、生成部２３２は、顔画像に含まれる顔領域を抽出して、抽出した顔領域から特徴点を抽出する。続いて、生成部２３２は、抽出した各特徴点に対応する特徴量を算出する。続いて、生成部２３２は、算出した各特徴量の値を列の構成要素とする画素値ベクトルを生成する。
また、生成部２３２は、特徴ベクトルの一例として、顔画像が入力された場合に、顔画像に含まれる人物の顔が人物の顔に関する複数の属性それぞれを有する確率値をそれぞれ出力するよう学習された学習済みモデルの中間層から出力される中間ベクトルを生成してよい。例えば、学習済みモデルは、画像に含まれる人物の顔を認識する画像認識モデルであってよい。例えば、生成部２３２は、通信部２１０を介して、顔画像に含まれる人物の顔が人物の顔に関するあらゆる属性それぞれを有する確率値をそれぞれ出力するよう学習された学習済みモデルを取得する。例えば、生成部２３２は、人物の顔に関するあらゆる属性の一例として、年齢、性別、人種、髪型、髪の毛の色、眼の色、眼鏡の着用の有無、マスクの着用の有無などの人物の顔に関する複数の属性それぞれを有する確率値をそれぞれ出力するよう学習された学習済みモデルを取得してよい。例えば、生成部２３２は、学習モデルに学習させ得る限りの人物の顔に関する全ての属性それぞれを有する確率値をそれぞれ出力するよう学習された学習済みモデルを取得してよい。続いて、生成部２３２は、学習済みモデルを取得すると、取得した学習済みモデルの入力層に顔画像を入力して、学習済みモデルの中間層から出力された中間ベクトルを取得する。
また、生成部２３２は、特徴ベクトルの一例として、顔画像が入力された場合に、顔画像に含まれる人物の顔が人物の顔に関する複数の属性それぞれを有する確率値をそれぞれ出力するよう学習された学習済みモデルから出力された確率値をベクトル化した確率値ベクトルを生成してよい。例えば、生成部２３２は、通信部２１０を介して、顔画像に含まれる人物の顔が人物の顔に関するあらゆる属性それぞれを有する確率値をそれぞれ出力するよう学習された学習済みモデルを取得する。続いて、生成部２３２は、学習済みモデルを取得すると、取得した学習済みモデルの入力層に顔画像を入力して、学習済みモデルの出力層から出力された確率値ベクトルを取得する。
また、生成部２３２は、大量の顔画像それぞれの特徴ベクトルを生成すると、生成した特徴ベクトルを特徴ベクトル空間にマッピングした特徴ベクトル空間を生成してよい。例えば、生成部２３２は、特徴ベクトル空間の一例として、生成した画素値ベクトルに基づいて、画素値ベクトルのベクトル空間である画素値ベクトル空間を生成してよい。また、生成部２３２は、特徴ベクトル空間の一例として、生成した中間ベクトルに基づいて、中間ベクトルのベクトル空間である中間ベクトル空間を生成してよい。また、生成部２３２は、特徴ベクトル空間の一例として、生成した確率値ベクトルに基づいて、確率値ベクトルのベクトル空間である確率値ベクトル空間を生成してよい。
（算出部２３３）
算出部２３３は、生成部２３２によって生成された特徴ベクトルの特徴ベクトル空間における空間分布において特定の偏りを有する第１空間分布を特定する。具体的には、算出部２３３は、全ての顔画像（あらゆる顔画像ともいう）に対応する全ての特徴ベクトルの空間分布（以下、第２空間分布ともいう）に対応する確率分布Ｐと、第２空間分布に含まれる一部の特徴ベクトルの空間分布（以下、部分空間分布ともいう）に対応する確率分布Ｑのカルバック・ライブラー情報量を算出する。ここで、カルバック・ライブラー情報量とは、２つの確率分布の差異を表す指標（言い換えると、２つの確率分布がどの程度似ているかを表す指標）である。カルバック・ライブラー情報量が大きいほど、２つの確率分布の差異が大きい（つまり、２つの確率分布が似ていない）ことを示す。また、カルバック・ライブラー情報量は、２つの確率分布間の距離を表すため、カルバック距離とも呼ばれる。
算出部２３３は、生成部２３２によって生成された特徴ベクトルの特徴ベクトル空間における空間分布において特定の偏りを有する第１空間分布を特定する。具体的には、算出部２３３は、全ての顔画像（あらゆる顔画像ともいう）に対応する全ての特徴ベクトルの空間分布（以下、第２空間分布ともいう）に対応する確率分布Ｐと、第２空間分布に含まれる一部の特徴ベクトルの空間分布（以下、部分空間分布ともいう）に対応する確率分布Ｑのカルバック・ライブラー情報量を算出する。ここで、カルバック・ライブラー情報量とは、２つの確率分布の差異を表す指標（言い換えると、２つの確率分布がどの程度似ているかを表す指標）である。カルバック・ライブラー情報量が大きいほど、２つの確率分布の差異が大きい（つまり、２つの確率分布が似ていない）ことを示す。また、カルバック・ライブラー情報量は、２つの確率分布間の距離を表すため、カルバック距離とも呼ばれる。
例えば、第２空間分布は、あらゆる顔画像の特徴ベクトルの空間分布であるので、特定の偏りを有しない確率分布（例えば、特徴ベクトル空間の原点に対して球対称な確率分布）であると考えられる。一方、特定の属性を有する顔画像（例えば、眼鏡を着用している顔画像）の特徴ベクトルの空間分布は、第２空間分布と比べると、特定の偏りを有する確率分布（例えば、特徴ベクトル空間の原点とは異なる特定の点の周りに集中した確率分布など）であると考えられる。そこで、算出部２３３は、空間分布Ｐに含まれるあらゆる部分空間分布の組合せについて、確率分布Ｐと確率分布Ｑのカルバック・ライブラー情報量を算出する。続いて、算出部２３３は、算出したカルバック・ライブラー情報量が所定の閾値を超える部分空間分布を特定すると、特定した部分空間分布を、第２空間分布において特定の偏りを有する第１空間分布として特定する。ここで、第１空間分布は、特定の偏りを有する確率分布であるので、第１空間分布に属する特徴ベクトルに対応する顔画像は、人物の顔に関する特定の属性（例えば、新たな属性）を有すると考えられる。すなわち、第１空間分布は、人物の顔に関する特定の属性（例えば、新たな属性）に対応する空間分布であると考えることができる。以下では、第１空間分布が、画像に含まれる人物の顔を認識する画像認識モデルが学習していない人物の顔に関する未知の属性（つまり、新たな属性）に対応する空間分布であるものとする。
続いて、算出部２３３は、特定の偏りを有する第１空間分布を特定すると、第１空間分布を代表する特徴ベクトルである第１特徴ベクトルを算出する。例えば、算出部２３３は、第１特徴ベクトルの一例として、第１空間分布に属する特徴ベクトルの平均（平均値ともいう）を算出する。なお、算出部２３３は、第１特徴ベクトルの一例として、第１空間分布に属する特徴ベクトルの平均の代わりに、第１空間分布に属する特徴ベクトルの中央値または最頻値を算出してよい。
続いて、算出部２３３は、第１特徴ベクトルを算出すると、新たな属性ラベルが付与されていない未知の顔画像（以下、処理対象の顔画像ともいう）を取得する。続いて、算出部２３３は、処理対象の顔画像を取得すると、処理対象の顔画像の特徴ベクトル（以下、処理対象特徴ベクトルともいう）を算出する。続いて、算出部２３３は、第１特徴ベクトルと処理対象特徴ベクトルとの第１類似度を算出する。例えば、算出部２３３は、第１類似度の一例として、第１特徴ベクトルと処理対象特徴ベクトルとのコサイン類似度を算出してよい。
また、算出部２３３は、第２空間分布を代表する特徴ベクトルである第２特徴ベクトルを算出する。例えば、算出部２３３は、第２特徴ベクトルの一例として、第２空間分布に属する特徴ベクトルの平均（平均値ともいう）を算出する。なお、算出部２３３は、第２特徴ベクトルの一例として、第２空間分布に属する特徴ベクトルの平均の代わりに、第２空間分布に属する特徴ベクトルの中央値または最頻値を算出してよい。
続いて、算出部２３３は、第２特徴ベクトルを算出すると、第２特徴ベクトルと処理対象特徴ベクトルとの第２類似度を算出する。例えば、算出部２３３は、第２類似度の一例として、第２特徴ベクトルと処理対象特徴ベクトルとのコサイン類似度を算出してよい。
図４は、第２の実施形態に係る特徴ベクトル空間の一例を示す図である。図４に示す例では、上述した特徴ベクトル空間が画素値ベクトル空間である例を示す。算出部２３３は、全ての顔画像に対応する全ての画素値ベクトルの空間分布である第２空間分布に対応する確率分布Ｐと、空間分布Ｐに含まれる一部の画素値ベクトルの空間分布に対応する確率分布Ｑのカルバック・ライブラー情報量を算出する。続いて、算出部２３３は、算出したカルバック・ライブラー情報量が所定の閾値を超える部分空間分布を特定すると、特定した部分空間分布を、第２空間分布において特定の偏りを有する第１空間分布として特定する。上述したように、算出部２３３は、画素値ベクトルである第１特徴ベクトル、第２特徴ベクトル、および処理対象特徴ベクトルをそれぞれ算出する。続いて、算出部２３３は、第１特徴ベクトルと処理対象特徴ベクトルとの第１類似度を算出する。また、算出部２３３は、第２特徴ベクトルと処理対象特徴ベクトルとの第２類似度を算出する。
図５は、第２の実施形態に係る特徴ベクトル空間の一例を示す図である。図５に示す例では、上述した特徴ベクトル空間が中間ベクトル空間である例を示す。算出部２３３は、全ての顔画像に対応する全ての中間ベクトルの空間分布である第２空間分布に対応する確率分布Ｐと、空間分布Ｐに含まれる一部の中間ベクトルの空間分布に対応する確率分布Ｑのカルバック・ライブラー情報量を算出する。続いて、算出部２３３は、算出したカルバック・ライブラー情報量が所定の閾値を超える部分空間分布を特定すると、特定した部分空間分布を、第２空間分布において特定の偏りを有する第１空間分布として特定する。上述したように、算出部２３３は、中間ベクトルである第１特徴ベクトル、第２特徴ベクトル、および処理対象特徴ベクトルをそれぞれ算出する。続いて、算出部２３３は、第１特徴ベクトルと処理対象特徴ベクトルとの第１類似度を算出する。また、算出部２３３は、第２特徴ベクトルと処理対象特徴ベクトルとの第２類似度を算出する。
図６は、第２の実施形態に係る特徴ベクトル空間の一例を示す図である。図６に示す例では、上述した特徴ベクトル空間が確率値ベクトル空間である例を示す。算出部２３３は、全ての顔画像に対応する全ての確率値ベクトルの空間分布である第２空間分布に対応する確率分布Ｐと、空間分布Ｐに含まれる一部の確率値ベクトルの空間分布に対応する確率分布Ｑのカルバック・ライブラー情報量を算出する。続いて、算出部２３３は、算出したカルバック・ライブラー情報量が所定の閾値を超える部分空間分布を特定すると、特定した部分空間分布を、第２空間分布において特定の偏りを有する第１空間分布として特定する。上述したように、算出部２３３は、確率値ベクトルである第１特徴ベクトル、第２特徴ベクトル、および処理対象特徴ベクトルをそれぞれ算出する。続いて、算出部２３３は、第１特徴ベクトルと処理対象特徴ベクトルとの第１類似度を算出する。また、算出部２３３は、第２特徴ベクトルと処理対象特徴ベクトルとの第２類似度を算出する。
上述した例では、算出部２３３が、画素値ベクトル空間、中間ベクトル空間、または確率値ベクトル空間である特徴ベクトル空間のいずれかにおいて、第１類似度および第２類似度をそれぞれ算出する場合について説明したが、これに限られない。具体的には、算出部２３３は、画素値ベクトル空間、中間ベクトル空間、および確率値ベクトル空間それぞれにおける第１空間分布の偏りの大きさを比較する。例えば、算出部２３３は、第１空間分布の偏りの大きさの一例として、画素値ベクトル空間、中間ベクトル空間、および確率値ベクトル空間それぞれにおいて算出したカルバック・ライブラー情報量の大きさを比較する。
ここで、カルバック・ライブラー情報量が大きいことは、その特徴ベクトル空間において、第１空間分布の偏りが大きいことを示す。また、第１空間分布の偏りが大きいことは、顔画像に含まれる人物の顔に関する特定の属性（例えば、新たな属性）の特徴がより大きく現れていると考えることができる。すなわち、カルバック・ライブラー情報量が大きい特徴ベクトル空間ほど、未知の画像に対して、新たな属性ラベルを付与するのに適していると考えることができる。そこで、算出部２３３は、画素値ベクトル空間、中間ベクトル空間、および確率値ベクトル空間の中から、算出したカルバック・ライブラー情報量の大きさが最大となる第１空間分布を含む特徴ベクトル空間を特定する。このようにして、算出部２３３は、画素値ベクトル空間、中間ベクトル空間、および確率値ベクトル空間の中から、第１空間分布の偏りの大きさが最大となる第１空間分布を含む特徴ベクトル空間を特定する。続いて、算出部２３３は、特定した特徴ベクトル空間の第１空間分布における第１特徴ベクトルと処理対象特徴ベクトルとの第１類似度を算出してよい。
なお、上述した例では、算出部２３３が、確率分布Ｐと確率分布Ｑの差異を表す指標として、カルバック・ライブラー情報量（カルバック距離）を算出する場合について説明したが、確率分布Ｐと確率分布Ｑの差異を表す指標はカルバック距離に限られない。例えば、算出部２３３は、確率分布Ｐと確率分布Ｑの差異を表す指標として、カルバック・ライブラー情報量（カルバック距離）の代わりに、ピアソン距離、相対ピアソン距離、またはＬ２距離を算出してもよい。また、算出部２３３は、確率分布Ｐと確率分布Ｑを推定せずに、確率分布Ｐと確率分布Ｑの密度比を直接推定し、直接推定した密度比に基づいて、カルバック距離、ピアソン距離、相対ピアソン距離、またはＬ２距離を算出してもよい。
（付与部２３４）
付与部２３４は、算出部２３３によって算出された第１類似度と第２類似度に応じて、処理対象の顔画像に対して新たな属性ラベルを付与する。具体的には、付与部２３４は、第１類似度と第２類似度との比率に応じて、処理対象の顔画像に対して、新たな属性ラベルと処理対象の顔画像に含まれる人物の顔が新たな属性を有する確率値との組であるソフトな属性ラベルを付与する。例えば、付与部２３４は、第１類似度に対する第２類似度の割合の大きさ（例えば、８０%など）を、処理対象の顔画像に含まれる人物の顔が新たな属性を有する確率値として算出する。続いて、付与部２３４は、新たな属性ラベル（例えば、眼鏡を着用しているという属性を示す属性ラベル）と処理対象の顔画像に含まれる人物の顔が新たな属性を有する確率値（例えば、８０%など）とを対応付けた情報（ソフトな属性ラベルともいう）を処理対象の顔画像と対応付けて記憶部１２０に格納する。
付与部２３４は、算出部２３３によって算出された第１類似度と第２類似度に応じて、処理対象の顔画像に対して新たな属性ラベルを付与する。具体的には、付与部２３４は、第１類似度と第２類似度との比率に応じて、処理対象の顔画像に対して、新たな属性ラベルと処理対象の顔画像に含まれる人物の顔が新たな属性を有する確率値との組であるソフトな属性ラベルを付与する。例えば、付与部２３４は、第１類似度に対する第２類似度の割合の大きさ（例えば、８０%など）を、処理対象の顔画像に含まれる人物の顔が新たな属性を有する確率値として算出する。続いて、付与部２３４は、新たな属性ラベル（例えば、眼鏡を着用しているという属性を示す属性ラベル）と処理対象の顔画像に含まれる人物の顔が新たな属性を有する確率値（例えば、８０%など）とを対応付けた情報（ソフトな属性ラベルともいう）を処理対象の顔画像と対応付けて記憶部１２０に格納する。
なお、上述した例では、付与部２３４が、処理対象の顔画像に対してソフトな属性ラベルを付与する場合について説明したが、付与部２３４が付与するラベルはソフトな属性ラベルに限られない。例えば、付与部２３４は、処理対象の顔画像に含まれる人物の顔が新たな属性を有する確率値が閾値以上であるか否かに基づいて、処理対象の顔画像に含まれる人物の顔が新たな属性を有するか否かを示すハードな属性ラベルを付与してもよい。例えば、付与部２３４は、処理対象の顔画像に含まれる人物の顔が新たな属性を有する確率値が閾値以上（例えば、８０%以上など）である場合は、処理対象の顔画像に対して、新たな属性を有することを示すラベル（例えば、眼鏡の着用の有りを示すラベル）を付してもよい。一方、付与部２３４は、処理対象の顔画像に含まれる人物の顔が新たな属性を有する確率値が閾値未満（例えば、８０%未満など）である場合は、処理対象の顔画像に対して、新たな属性を有しないことを示すラベル（例えば、眼鏡の着用の無しを示すラベル）を付してもよい。
〔２－２．情報処理のフロー〕
次に、図７を用いて、第２の実施形態に係る情報処理の手順について説明する。図７は、第２の実施形態に係る情報処理の一例を示すフローチャートである。図７では、算出部２３３は、顔画像の特徴を示す特徴ベクトルの特徴ベクトル空間における空間分布において特定の偏りを有する第１空間分布における第１特徴ベクトルと処理対象の顔画像の特徴を示す処理対象特徴ベクトルとの第１類似度を算出する（ステップＳ２０１）。
次に、図７を用いて、第２の実施形態に係る情報処理の手順について説明する。図７は、第２の実施形態に係る情報処理の一例を示すフローチャートである。図７では、算出部２３３は、顔画像の特徴を示す特徴ベクトルの特徴ベクトル空間における空間分布において特定の偏りを有する第１空間分布における第１特徴ベクトルと処理対象の顔画像の特徴を示す処理対象特徴ベクトルとの第１類似度を算出する（ステップＳ２０１）。
続いて、算出部２３３は、特徴ベクトル空間における第１空間分布を除く他の空間分布と第１空間分布とを含む第２空間分布における第２特徴ベクトルと処理対象特徴ベクトルとの第２類似度を算出する（ステップＳ２０２）。
付与部２３４は、算出部２３３によって算出された第１類似度と第２類似度との比率に応じて、処理対象の顔画像に対して属性ラベルと顔画像が属性を有する確率値との組であるソフトな属性ラベルを付与する（ステップＳ２０３）。
〔３．変形例〕
上述した第１の実施形態および第２の実施形態では、人物の顔が撮像された顔画像に対して、人物の顔に関する新たな属性ラベルを付与する場合について説明したが、画像に含まれる対象物は人物の顔に限られない。例えば、画像に含まれる対象物は、人物の顔以外の人間の身体の部位、人間以外の生物、生物以外の物体であってよい。また、対象物が撮像された画像（以下、対象物画像ともいう）に付与される新たな属性ラベルは、画像に含まれる対象物を認識する画像認識モデルが学習していない対象物に関する未知の属性であれば、どのような属性を示す属性ラベルであってもよい。
上述した第１の実施形態および第２の実施形態では、人物の顔が撮像された顔画像に対して、人物の顔に関する新たな属性ラベルを付与する場合について説明したが、画像に含まれる対象物は人物の顔に限られない。例えば、画像に含まれる対象物は、人物の顔以外の人間の身体の部位、人間以外の生物、生物以外の物体であってよい。また、対象物が撮像された画像（以下、対象物画像ともいう）に付与される新たな属性ラベルは、画像に含まれる対象物を認識する画像認識モデルが学習していない対象物に関する未知の属性であれば、どのような属性を示す属性ラベルであってもよい。
〔４．効果〕
上述してきたように、第１の実施形態に係る情報処理装置１００は、第１付与部１３２と、生成部１３３を有する。第１付与部１３２は、対象物が撮像された対象物画像に含まれる対象物に関する属性を示す属性ラベルが付与された対象物画像と類似する類似画像に対して属性ラベルを付与する。生成部１３３は、第１付与部１３２によって属性ラベルを付与された類似画像を画像解析することで、未知の対象物画像に対して属性ラベルを付与するためのラベル付与ルールを生成する。
上述してきたように、第１の実施形態に係る情報処理装置１００は、第１付与部１３２と、生成部１３３を有する。第１付与部１３２は、対象物が撮像された対象物画像に含まれる対象物に関する属性を示す属性ラベルが付与された対象物画像と類似する類似画像に対して属性ラベルを付与する。生成部１３３は、第１付与部１３２によって属性ラベルを付与された類似画像を画像解析することで、未知の対象物画像に対して属性ラベルを付与するためのラベル付与ルールを生成する。
これにより、情報処理装置１００は、画像に含まれる対象物を認識する画像認識モデルの学習に必要な学習データセットを自動で生成可能とすることができる。
また、情報処理装置１００は、第２付与部１３４をさらに有する。第２付与部１３４は、生成部１３３によって生成されたラベル付与ルールに基づいて、未知の対象物画像に対して属性ラベルを付与する。
これにより、情報処理装置１００は、画像に含まれる対象物を認識する画像認識モデルの学習に必要な学習データセットを自動で生成することができる。
また、生成部１３３は、類似画像のうち対象物を含む対象物領域の輝度値を画像解析することで、対象物領域における輝度値の特徴を示すラベル付与ルールを生成する。
これにより、情報処理装置１００は、輝度値の特徴を示すラベル付与ルールに基づいて、画像に含まれる対象物を認識する画像認識モデルの学習に必要な学習データセットを自動で生成可能とすることができる。
また、対象物は、人物の顔であり、対象物画像は、人物の顔が撮像された顔画像である。
これにより、情報処理装置１００は、顔画像に含まれる人物の顔を認識する画像認識モデルの学習に必要な学習データセットを自動で生成可能とすることができる。
また、第２の実施形態に係る情報処理装置２００は、算出部２３３と、付与部２３４を有する。算出部２３３は、対象物が撮像された対象物画像の特徴を示す特徴ベクトルの特徴ベクトル空間における空間分布において特定の偏りを有する第１空間分布における第１特徴ベクトルと処理対象の対象物画像の特徴を示す処理対象特徴ベクトルとの第１類似度、および、第１空間分布を除く他の空間分布と第１空間分布とを含む特徴ベクトル空間における空間分布である第２空間分布における第２特徴ベクトルと処理対象特徴ベクトルとの第２類似度を算出する。付与部２３４は、算出部２３３によって算出された第１類似度と第２類似度に応じて、処理対象の対象物画像に対して特定の偏りに対応する属性を示す属性ラベルを付与する。
これにより、情報処理装置２００は、画像に含まれる対象物を認識する画像認識モデルの学習に必要な学習データセットを自動で生成可能とすることができる。
また、付与部２３４は、第１類似度と第２類似度との比率に応じて、処理対象の対象物画像に対して属性ラベルと対象物が属性を有する確率値との組であるソフトな属性ラベルを付与する。
このように、情報処理装置２００は、画像に含まれる対象物が属性ラベルに対応する属性を有する確率とともに、処理対象の対象物画像に対して属性ラベルを付与することができる。これにより、情報処理装置２００は、より適切な属性ラベルを付与することができるので、画像に含まれる対象物を認識する画像認識モデルの学習に必要な学習データセットをより適切に生成可能とすることができる。
また、算出部２３３は、第１空間分布を代表する特徴ベクトルである第１特徴ベクトルと処理対象特徴ベクトルとの第１類似度、および、第２空間分布を代表する特徴ベクトルである第２特徴ベクトルと処理対象特徴ベクトルとの第２類似度を算出する。例えば、算出部２３３は、第１空間分布に属する特徴ベクトルの平均値、中央値または最頻値である第１特徴ベクトルと処理対象特徴ベクトルとの第１類似度、および、第２空間分布に属する特徴ベクトルの平均値、中央値または最頻値である第２特徴ベクトルと処理対象特徴ベクトルとの第２類似度を算出する。
これにより、情報処理装置２００は、新たな属性に対応する第１空間の特徴を代表する第１特徴ベクトルと処理対象特徴ベクトルとの第１類似度を算出するので、適切に第１類似度を算出することができる。また、情報処理装置２００は、全ての属性に対応する第２空間の特徴を代表する第２特徴ベクトルと処理対象特徴ベクトルとの第２類似度を算出するので、適切に第２類似度を算出することができる。
また、特徴ベクトル空間は、対象物画像の画素値の特徴を示す画素値ベクトルの画素値ベクトル空間である。
これにより、情報処理装置２００は、画素値ベクトルに基づいて、画像に含まれる対象物が属性ラベルに対応する属性を有する確率とともに、処理対象の対象物画像に対して属性ラベルを付与することができる。
また、特徴ベクトル空間は、対象物画像が入力された場合に、対象物が対象物に関する複数の属性それぞれを有する確率値をそれぞれ出力するよう学習された学習済みモデルの中間層から出力される中間ベクトルの中間ベクトル空間である。
これにより、情報処理装置２００は、中間ベクトルに基づいて、画像に含まれる対象物が属性ラベルに対応する属性を有する確率とともに、処理対象の対象物画像に対して属性ラベルを付与することができる。
また、特徴ベクトル空間は、対象物画像が入力された場合に、対象物が対象物に関する複数の属性それぞれを有する確率値をそれぞれ出力するよう学習された学習済みモデルから出力された確率値をベクトル化した確率値ベクトルの確率値ベクトル空間である。
これにより、情報処理装置２００は、確率値ベクトルに基づいて、画像に含まれる対象物が属性ラベルに対応する属性を有する確率とともに、処理対象の対象物画像に対して属性ラベルを付与することができる。
また、算出部２３３は、異なる複数の特徴ベクトル空間それぞれにおける第１空間分布の偏りの大きさの比較に基づいて、第１空間分布の偏りの大きさが最大である第１空間分布における第１特徴ベクトルと処理対象特徴ベクトルとの第１類似度を算出する。
これにより、情報処理装置２００は、異なる複数の特徴ベクトル空間の中から、未知の画像に対して、新たな属性ラベルを付与するのに適した特徴ベクトル空間を選択することができる。したがって、情報処理装置２００は、より適切な属性ラベルを付与することができるので、画像に含まれる対象物を認識する画像認識モデルの学習に必要な学習データセットをより適切に生成可能とすることができる。
〔５．ハードウェア構成〕
また、上述してきた実施形態に係る情報処理装置１００または情報処理装置２００は、例えば図８に示すような構成のコンピュータ１０００によって実現される。図８は、情報処理装置１００または情報処理装置２００の機能を実現するコンピュータの一例を示すハードウェア構成図である。コンピュータ１０００は、ＣＰＵ１１００、ＲＡＭ１２００、ＲＯＭ１３００、ＨＤＤ１４００、通信インターフェイス（Ｉ／Ｆ）１５００、入出力インターフェイス（Ｉ／Ｆ）１６００、及びメディアインターフェイス（Ｉ／Ｆ）１７００を備える。
また、上述してきた実施形態に係る情報処理装置１００または情報処理装置２００は、例えば図８に示すような構成のコンピュータ１０００によって実現される。図８は、情報処理装置１００または情報処理装置２００の機能を実現するコンピュータの一例を示すハードウェア構成図である。コンピュータ１０００は、ＣＰＵ１１００、ＲＡＭ１２００、ＲＯＭ１３００、ＨＤＤ１４００、通信インターフェイス（Ｉ／Ｆ）１５００、入出力インターフェイス（Ｉ／Ｆ）１６００、及びメディアインターフェイス（Ｉ／Ｆ）１７００を備える。
ＣＰＵ１１００は、ＲＯＭ１３００またはＨＤＤ１４００に格納されたプログラムに基づいて動作し、各部の制御を行う。ＲＯＭ１３００は、コンピュータ１０００の起動時にＣＰＵ１１００によって実行されるブートプログラムや、コンピュータ１０００のハードウェアに依存するプログラム等を格納する。
ＨＤＤ１４００は、ＣＰＵ１１００によって実行されるプログラム、及び、かかるプログラムによって使用されるデータ等を格納する。通信インターフェイス１５００は、所定の通信網を介して他の機器からデータを受信してＣＰＵ１１００へ送り、ＣＰＵ１１００が生成したデータを所定の通信網を介して他の機器へ送信する。
ＣＰＵ１１００は、入出力インターフェイス１６００を介して、ディスプレイやプリンタ等の出力装置、及び、キーボードやマウス等の入力装置を制御する。ＣＰＵ１１００は、入出力インターフェイス１６００を介して、入力装置からデータを取得する。また、ＣＰＵ１１００は、生成したデータを入出力インターフェイス１６００を介して出力装置へ出力する。なお、ＣＰＵ１１００の代わりに、ＭＰＵ（Micro Processing Unit）、また多大な計算パワーを必要とすることからＧＰＵ（Graphics Processing Unit）を用いてもよい。
メディアインターフェイス１７００は、記録媒体１８００に格納されたプログラムまたはデータを読み取り、ＲＡＭ１２００を介してＣＰＵ１１００に提供する。ＣＰＵ１１００は、かかるプログラムを、メディアインターフェイス１７００を介して記録媒体１８００からＲＡＭ１２００上にロードし、ロードしたプログラムを実行する。記録媒体１８００は、例えばＤＶＤ（Digital Versatile Disc）、ＰＤ（Phase change rewritable Disk）等の光学記録媒体、ＭＯ（Magneto-Optical disk）等の光磁気記録媒体、テープ媒体、磁気記録媒体、または半導体メモリ等である。
例えば、コンピュータ１０００が情報処理装置１００または情報処理装置２００として機能する場合、コンピュータ１０００のＣＰＵ１１００は、ＲＡＭ１２００上にロードされたプログラムを実行することにより、制御部１３０または制御部２３０の機能を実現する。コンピュータ１０００のＣＰＵ１１００は、これらのプログラムを記録媒体１８００から読み取って実行するが、他の例として、他の装置から所定の通信網を介してこれらのプログラムを取得してもよい。
以上、本願の実施形態のいくつかを図面に基づいて詳細に説明したが、これらは例示であり、発明の開示の欄に記載の態様を始めとして、当業者の知識に基づいて種々の変形、改良を施した他の形態で本発明を実施することが可能である。
〔６．その他〕
また、上記実施形態及び変形例において説明した各処理のうち、自動的に行われるものとして説明した処理の全部または一部を手動的に行うこともでき、あるいは、手動的に行われるものとして説明した処理の全部または一部を公知の方法で自動的に行うこともできる。この他、上記文書中や図面中で示した処理手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。例えば、各図に示した各種情報は、図示した情報に限られない。
また、上記実施形態及び変形例において説明した各処理のうち、自動的に行われるものとして説明した処理の全部または一部を手動的に行うこともでき、あるいは、手動的に行われるものとして説明した処理の全部または一部を公知の方法で自動的に行うこともできる。この他、上記文書中や図面中で示した処理手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。例えば、各図に示した各種情報は、図示した情報に限られない。
また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。
また、上述してきた実施形態及び変形例は、処理内容を矛盾させない範囲で適宜組み合わせることが可能である。
また、上述してきた「部（section、module、unit）」は、「手段」や「回路」などに読み替えることができる。例えば、付与部は、付与手段や付与回路に読み替えることができる。
１００ 情報処理装置
１１０ 通信部
１２０ 記憶部
１３０ 制御部
１３１ 取得部
１３２ 第１付与部
１３３ 生成部
１３４ 第２付与部
２００ 情報処理装置
２１０ 通信部
２２０ 記憶部
２３０ 制御部
２３１ 取得部
２３２ 生成部
２３３ 算出部
２３４ 付与部
１１０ 通信部
１２０ 記憶部
１３０ 制御部
１３１ 取得部
１３２ 第１付与部
１３３ 生成部
１３４ 第２付与部
２００ 情報処理装置
２１０ 通信部
２２０ 記憶部
２３０ 制御部
２３１ 取得部
２３２ 生成部
２３３ 算出部
２３４ 付与部
Claims (7)
- 対象物が撮像された対象物画像であって、前記対象物画像に含まれる前記対象物に関する属性を示す属性ラベルが付与された属性ラベル付き対象物画像それぞれから抽出された特徴点に対応する特徴量をクラスタリングし、前記属性ラベル付き対象物画像よりも多量の前記対象物画像であって、属性ラベルが付与されていない前記対象物画像それぞれから抽出された特徴点に対応する特徴量を、前記属性ラベル付き対象物画像について生成した各クラスターに分類し、前記属性ラベル付き対象物画像の各クラスターの平均と、前記属性ラベルが付与されていない前記対象物画像それぞれの各クラスターに属する特徴点との類似度を算出し、算出した各特徴点の類似度に基づいて、前記属性ラベル付き対象物画像と前記属性ラベルが付与されていない前記対象物画像それぞれとの類似度を算出し、前記属性ラベルが付与されていない前記対象物画像のうち、算出した類似度が所定の閾値を上回る前記対象物画像を前記属性ラベル付き対象物画像と類似する類似画像であると判定し、前記類似画像に対して前記属性ラベルを付与する第１付与部と、
前記第１付与部によって前記属性ラベルを付与された前記類似画像において前記対象物を含む領域である対象物領域の特徴点に対応する特徴量をクラスタリングし、クラスタリングした各特徴点の平均を算出し、算出した各クラスターの平均との類似度に基づいて、未知の前記対象物画像に対して前記属性ラベルを付与するか否かを決定するためのラベル付与ルールを生成する生成部と、
を備える情報処理装置。 - 前記対象物画像の特徴を示す特徴ベクトルの特徴ベクトル空間における空間分布において特定の偏りを有する第１空間分布における第１特徴ベクトルと処理対象の対象物画像の特徴を示す処理対象特徴ベクトルとの第１類似度、および、前記第１空間分布を除く他の空間分布と前記第１空間分布とを含む前記特徴ベクトル空間における空間分布である第２空間分布における第２特徴ベクトルと前記処理対象特徴ベクトルとの第２類似度を算出する算出部と、
前記算出部によって算出された第１類似度と第２類似度に応じて、前記処理対象の対象物画像に対して前記特定の偏りに対応する属性を示す属性ラベルを付与する付与部と、
をさらに備える請求項１に記載の情報処理装置。 - 前記生成部によって生成された前記ラベル付与ルールに基づいて、前記未知の前記対象物画像に対して前記属性ラベルを付与する第２付与部
をさらに備える請求項１または２に記載の情報処理装置。 - 前記生成部は、
前記類似画像のうち前記対象物を含む対象物領域の輝度値を画像解析することで、前記対象物領域における前記輝度値の特徴を示す前記ラベル付与ルールを生成する、
請求項１～３のいずれか１つに記載の情報処理装置。 - 前記対象物は、人物の顔であり、
前記対象物画像は、前記人物の顔が撮像された顔画像である、
請求項１～４のいずれか１つに記載の情報処理装置。 - 情報処理装置が実行するプログラムにより実現される情報処理方法であって、
対象物が撮像された対象物画像であって、前記対象物画像に含まれる前記対象物に関する属性を示す属性ラベルが付与された属性ラベル付き対象物画像それぞれから抽出された特徴点に対応する特徴量をクラスタリングし、前記属性ラベル付き対象物画像よりも多量の前記対象物画像であって、属性ラベルが付与されていない前記対象物画像それぞれから抽出された特徴点に対応する特徴量を、前記属性ラベル付き対象物画像について生成した各クラスターに分類し、前記属性ラベル付き対象物画像の各クラスターの平均と、前記属性ラベルが付与されていない前記対象物画像それぞれの各クラスターに属する特徴点との類似度を算出し、算出した各特徴点の類似度に基づいて、前記属性ラベル付き対象物画像と前記属性ラベルが付与されていない前記対象物画像それぞれとの類似度を算出し、前記属性ラベルが付与されていない前記対象物画像のうち、算出した類似度が所定の閾値を上回る前記対象物画像を前記属性ラベル付き対象物画像と類似する類似画像であると判定し、前記類似画像に対して前記属性ラベルを付与する第１付与工程と、
前記第１付与工程によって前記属性ラベルを付与された前記類似画像において前記対象物を含む領域である対象物領域の特徴点に対応する特徴量をクラスタリングし、クラスタリングした各特徴点の平均を算出し、算出した各クラスターの平均との類似度に基づいて、未知の前記対象物画像に対して前記属性ラベルを付与するか否かを決定するためのラベル付与ルールを生成する生成工程と、
を含む情報処理方法。 - 対象物が撮像された対象物画像であって、前記対象物画像に含まれる前記対象物に関する属性を示す属性ラベルが付与された属性ラベル付き対象物画像それぞれから抽出された特徴点に対応する特徴量をクラスタリングし、前記属性ラベル付き対象物画像よりも多量の前記対象物画像であって、属性ラベルが付与されていない前記対象物画像それぞれから抽出された特徴点に対応する特徴量を、前記属性ラベル付き対象物画像について生成した各クラスターに分類し、前記属性ラベル付き対象物画像の各クラスターの平均と、前記属性ラベルが付与されていない前記対象物画像それぞれの各クラスターに属する特徴点との類似度を算出し、算出した各特徴点の類似度に基づいて、前記属性ラベル付き対象物画像と前記属性ラベルが付与されていない前記対象物画像それぞれとの類似度を算出し、前記属性ラベルが付与されていない前記対象物画像のうち、算出した類似度が所定の閾値を上回る前記対象物画像を前記属性ラベル付き対象物画像と類似する類似画像であると判定し、前記類似画像に対して前記属性ラベルを付与する第１付与手順と、
前記第１付与手順によって前記属性ラベルを付与された前記類似画像において前記対象物を含む領域である対象物領域の特徴点に対応する特徴量をクラスタリングし、クラスタリングした各特徴点の平均を算出し、算出した各クラスターの平均との類似度に基づいて、未知の前記対象物画像に対して前記属性ラベルを付与するか否かを決定するためのラベル付与ルールを生成する生成手順と、
をコンピュータに実行させる情報処理プログラム。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2021087754A JP7315933B2 (ja) | 2021-05-25 | 2021-05-25 | 情報処理装置、情報処理方法及び情報処理プログラム |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2021087754A JP7315933B2 (ja) | 2021-05-25 | 2021-05-25 | 情報処理装置、情報処理方法及び情報処理プログラム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2022180959A JP2022180959A (ja) | 2022-12-07 |
| JP7315933B2 true JP7315933B2 (ja) | 2023-07-27 |
Family
ID=84327822
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2021087754A Active JP7315933B2 (ja) | 2021-05-25 | 2021-05-25 | 情報処理装置、情報処理方法及び情報処理プログラム |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP7315933B2 (ja) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2016062544A (ja) | 2014-09-22 | 2016-04-25 | インターナショナル・ビジネス・マシーンズ・コーポレーションＩｎｔｅｒｎａｔｉｏｎａｌ Ｂｕｓｉｎｅｓｓ Ｍａｃｈｉｎｅｓ Ｃｏｒｐｏｒａｔｉｏｎ | 情報処理装置、プログラム、及び情報処理方法 |
| JP2017111731A (ja) | 2015-12-18 | 2017-06-22 | キヤノンマーケティングジャパン株式会社 | 情報処理システム、情報処理方法、プログラム |
-
2021
- 2021-05-25 JP JP2021087754A patent/JP7315933B2/ja active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2016062544A (ja) | 2014-09-22 | 2016-04-25 | インターナショナル・ビジネス・マシーンズ・コーポレーションＩｎｔｅｒｎａｔｉｏｎａｌ Ｂｕｓｉｎｅｓｓ Ｍａｃｈｉｎｅｓ Ｃｏｒｐｏｒａｔｉｏｎ | 情報処理装置、プログラム、及び情報処理方法 |
| JP2017111731A (ja) | 2015-12-18 | 2017-06-22 | キヤノンマーケティングジャパン株式会社 | 情報処理システム、情報処理方法、プログラム |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2022180959A (ja) | 2022-12-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110175595B (zh) | 人体属性识别方法、识别模型训练方法及装置 | |
| JP6041996B2 (ja) | 視覚的属性を修正する装置、システム及び方法 | |
| KR102400017B1 (ko) | 객체를 식별하는 방법 및 디바이스 | |
| US10783402B2 (en) | Information processing apparatus, information processing method, and storage medium for generating teacher information | |
| KR102880558B1 (ko) | 모델-추정 클래스 임베딩들을 통한 연속 효과의 적용 | |
| EP3069302B1 (en) | Memory facilitation using directed acyclic graphs | |
| US9311564B2 (en) | Face age-estimation and methods, systems, and software therefor | |
| JP4742193B2 (ja) | 年齢推定装置、年齢推定方法及びプログラム | |
| US11093800B2 (en) | Method and device for identifying object and computer readable storage medium | |
| CN113591529B (zh) | 动作分割模型的处理方法、装置、计算机设备和存储介质 | |
| CN106803055A (zh) | 人脸识别方法和装置 | |
| Ocegueda et al. | 3D face discriminant analysis using Gauss-Markov posterior marginals | |
| CN112818227B (zh) | 内容推荐方法、装置、电子设备及存储介质 | |
| WO2012132418A1 (ja) | 属性推定装置 | |
| Borza et al. | A deep learning approach to hair segmentation and color extraction from facial images | |
| KR20230029486A (ko) | 사용자의 피부 특성 및 사용자와 유사한 환경에 속해있는 다른 사용자들의 화장품 사용 정보에 기초하여 사용자에게 맞춤형 화장품을 추천하는 서비스를 제공하는 방법 및 장치 | |
| Štěpánek et al. | Machine-learning at the service of plastic surgery: a case study evaluating facial attractiveness and emotions using R language | |
| Zhao et al. | Adaptive mean-residue loss for robust facial age estimation | |
| US20240037870A1 (en) | Methods and apparatus for determining and using controllable directions of gan space | |
| JP7315933B2 (ja) | 情報処理装置、情報処理方法及び情報処理プログラム | |
| Rybintsev | Age estimation from a face image in a selected gender-race group based on ranked local binary patterns | |
| CN112819921A (zh) | 用于改变人物的发型的方法、装置、设备和存储介质 | |
| KR20240054854A (ko) | 개인의 화장품 구독 이후의 피부 상태 변화를 고려하여 개인화된 화장품 구독 서비스를 제공하는 방법 및 장치 | |
| Holder et al. | Convolutional networks for appearance-based recommendation and visualisation of mascara products. | |
| Wang et al. | Real-time moustache detection by combining image decolorization and texture detection with applications to facial gender recognition |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220316 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230214 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230320 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20230606 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230706 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7315933 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |